論文の概要: "What Are You Really Trying to Do?": Co-Creating Life Goals from Everyday Computer Use

• arxiv url: http://arxiv.org/abs/2605.00497v1
• Date: Fri, 01 May 2026 08:13:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-04 17:43:28.904173
• Title: "What Are You Really Trying to Do?": Co-Creating Life Goals from Everyday Computer Use
• Title（参考訳）: 「本当に何をしようとしているのか?」:毎日のコンピュータ利用から人生のゴールを創り出す
• Authors: Shardul Sapkota, Matthew Jörke, Zane Sabbagh, Omar Shaikh, Grace Wang, James A. Landay,
• Abstract要約: 本稿では,コンピュータ利用の非構造的な観察から幅広い生活目標を推定するプロセスであるストレビング・コクリエーションを紹介する。 我々のシステムは、人の活動の階層的な表現を段階的に構築する。 1週間のフィールド展開で、我々の共同創造プロセスは、参加者の長期的な目標を表すストレビングを生み出す。
• 参考スコア（独自算出の注目度）: 12.215514714697612
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advances in user modeling make it feasible to conduct open-ended inference over a person's everyday computer use. Despite longstanding visions of systems that deeply understand our actions and the purposes they serve in our lives, existing systems only capture what a person is doing in the moment -- not why they are doing it -- limiting these systems to surface-level support. We introduce striving co-creation, a process for inferring broader life goals from unstructured observations of computer use. Grounded in Activity Theory and Emmons' personal strivings framework, our system progressively constructs a hierarchical representation of a person's activities. Crucially, strivings are difficult to fully resolve from observation alone, as the same action can be driven by many different goals. Our system therefore supports an editing interface that gives people agency over how they are understood by the system, feeding their corrections back into subsequent rounds of striving induction. In a week-long field deployment (N=14), we find that our co-creation process produces strivings that are representative of participants' long-term goals and gives them greater agency than baseline methods.
• Abstract（参考訳）: 近年のユーザモデリングの進歩により、日常のコンピュータ使用に対してオープンエンド推論を行うことが可能になった。 私たちの行動と、それが私たちの生活で果たす目的を深く理解しているシステムのビジョンにもかかわらず、既存のシステムは、ある人が今やっていること(なぜそうしているのかではなく)を捉えて、これらのシステムを表面的なサポートに制限します。 本稿では,コンピュータ利用の非構造的な観察から幅広い生活目標を推定するプロセスであるストレビング・コクリエーションを紹介する。 活動理論とエモンズの個人的努力の枠組みを基礎として,我々のシステムは個人の活動の階層的表現を段階的に構築する。 重要なことは、多くの異なる目標によって同じ行動が駆動されるため、観察のみから完全に解決することは困難である。 そこで,本システムでは,システムによってどのように理解されているかという情報を提供する編集インターフェースをサポートし,その修正をその後の学習誘導ラウンドにフィードバックする。 1週間のフィールド展開(N=14)において、我々の共同創造プロセスは、参加者の長期目標を表すストレビングを生成し、ベースライン手法よりも大きなエージェンシーを与える。

関連論文リスト

• Act, Sense, Act: Learning Non-Markovian Active Perception Strategies from Large-Scale Egocentric Human Data [30.493131697188627]
  我々は、情報ゲインと意思決定分岐によって駆動される非マルコフ過程として能動的知覚を定式化する。 本稿では,認知と記憶を意識した視覚言語アクションフレームワークCoMe-VLAを紹介する。 本フレームワークは,自律的なサブタスク遷移のための認知補助ヘッドと,一貫した自己および環境意識を維持するためのデュアルトラックメモリシステムを統合する。
  論文  参考訳（メタデータ） (2026-02-04T14:28:14Z)
• Consistent Zero-Shot Imitation with Contrastive Goal Inference [30.726311787096435]
  現実世界のインタラクションに展開されるエンボディエージェントの前提条件は、インタラクションによるトレーニングであるべきだ。 本研究の主な貢献は,対話型エージェントを自己指導型で事前学習する方法である。
  論文  参考訳（メタデータ） (2025-10-20T00:28:03Z)
• Casper: Inferring Diverse Intents for Assistive Teleoperation with Vision Language Models [50.19518681574399]
  現実の遠隔操作における中心的な課題は、ロボットがユーザー制御入力から幅広い人間の意図を推測することである。 我々は、事前学習された視覚言語モデルに埋め込まれたコモンセンス知識を活用する、支援型遠隔操作システムであるCasperを紹介する。 我々は,Casperがタスク性能を改善し,人間の認知負荷を低減し,直接遠隔操作や補助遠隔操作のベースラインよりもユーザ満足度が高いことを示す。
  論文  参考訳（メタデータ） (2025-06-17T17:06:43Z)
• Towards Measuring Goal-Directedness in AI Systems [0.0]
  意図しない目標を追求するAIシステムにとって重要な前提条件は、一貫性のあるゴール指向の方法で振る舞うかどうかである。 そこで本稿では,多くの報酬関数に準最適であるかどうかをモデル化する政策の目的指向性の定義を新たに提案する。 私たちの貢献は、AIシステムが危険な目標を追求できるかどうかという問題にアプローチするために、シンプルで計算が容易なゴール指向性の定義です。
  論文  参考訳（メタデータ） (2024-10-07T01:34:42Z)
• Self-Improving Robots: End-to-End Autonomous Visuomotor Reinforcement Learning [54.636562516974884]
  模倣と強化学習において、人間の監督コストは、ロボットが訓練できるデータの量を制限する。 本研究では,自己改善型ロボットシステムのための新しい設計手法であるMEDAL++を提案する。 ロボットは、タスクの実施と解除の両方を学ぶことで、自律的にタスクを練習し、同時にデモンストレーションから報酬関数を推論する。
  論文  参考訳（メタデータ） (2023-03-02T18:51:38Z)
• Context-Aware Sequence Alignment using 4D Skeletal Augmentation [67.05537307224525]
  コンピュータビジョン、ロボティクス、混合現実の多くの応用において、ビデオにおける人間の行動の微粒化の時間的アライメントが重要である。 本稿では,アクションのシーケンスを整列するコンテキスト認識型自己教師型学習アーキテクチャを提案する。 特に、CASAは、人間の行動の空間的・時間的文脈を組み込むために、自己注意と相互注意のメカニズムを採用している。
  論文  参考訳（メタデータ） (2022-04-26T10:59:29Z)
• Cognitive architecture aided by working-memory for self-supervised multi-modal humans recognition [54.749127627191655]
  人間パートナーを認識する能力は、パーソナライズされた長期的な人間とロボットの相互作用を構築するための重要な社会的スキルです。 ディープラーニングネットワークは最先端の結果を達成し,そのような課題に対処するための適切なツールであることが実証された。 1つの解決策は、ロボットに自己スーパービジョンで直接の感覚データから学習させることである。
  論文  参考訳（メタデータ） (2021-03-16T13:50:24Z)
• Non-invasive Cognitive-level Human Interfacing for the Robotic Restoration of Reaching & Grasping [5.985098076571228]
  本稿では,人間の腕と指を動作させるロボットシステムを提案する。 ウェアラブルアイトラッキング、環境の視覚的コンテキスト、人間の行動の構造文法を組み合わせて、認知レベルの支援ロボットセットアップを作成します。
  論文  参考訳（メタデータ） (2021-02-25T16:32:04Z)
• AvE: Assistance via Empowerment [77.08882807208461]
  そこで我々は,人間の環境制御能力を高めることで,支援のための新しいパラダイムを提案する。 このタスクに依存しない目的は、個人の自律性と最終的な状態を達成する能力を維持する。
  論文  参考訳（メタデータ） (2020-06-26T04:40:11Z)
• Robot Perception enables Complex Navigation Behavior via Self-Supervised Learning [23.54696982881734]
  本稿では、強化学習(RL)によるアクティブな目標駆動ナビゲーションタスクのためのロボット認識システムの統合手法を提案する。 提案手法は,1つの画像列から直接自己スーパービジョンを用いて得られる,コンパクトな動きと視覚知覚データを時間的に組み込む。 我々は,新しいインタラクティブなCityLearnフレームワークを用いて,実世界の運転データセットであるKITTIとOxford RobotCarのアプローチを実証した。
  論文  参考訳（メタデータ） (2020-06-16T07:45:47Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。